TensorFlow: Machine Learning e Deep Learning com Python
- Descrição
- Currículo
- FAQ
- Revisões
Atenção! Nas aulas deste curso é utilizada a versão 1.x do TensorFlow, sendo possível acompanhar as aulas utilizando essa versão. Adicionalmente, disponibilizamos o código atualizado considerando a versão 2.x. Em breve pretendemos regravar todas as aulas deste curso
A área de Deep Learning (Aprendizagem Profunda) está relacionada a aplicação das redes neurais artificiais na resolução de problemas complexos e que requerem artifícios computacionais avançados. Existem diversas aplicações práticas que já foram construídas utilizando essas técnicas, tais como: carros autônomos, descoberta de novos medicamentos, cura e diagnóstico antecipado de doenças, geração automática de notícias, reconhecimento facial, recomendação de produtos, previsão dos valores de ações na bolsa de valores e até mesmo a geração automática de roteiros de filmes! Nesses exemplos, a técnica base utilizada são as redes neurais artificiais, que procuram “imitar” como o cérebro humano funciona e são consideradas hoje em dia como as mais avançadas no cenário de Machine Learning (Aprendizagem de Máquina). E a maioria dessas aplicações foram desenvolvidas utilizando a biblioteca TensorFlow do Google, que hoje em dia é a ferramenta mais popular e utilizada nesse cenário. Por isso, é de suma importância que profissionais ligados à área de Inteligência Artificial e Machine Learning saibam como trabalhar com essa biblioteca, já que várias grandes empresas a utilizam em seus sistemas, tais como: Airbnd, Airbus, eBay, Dropbox, Intel, IBM, Uber, Twitter, Snapchat e também o próprio Google!
A área de Deep Learning é atualmente um dos campos de trabalho mais relevantes da Inteligência Artificial, sendo que o mercado de trabalho dessa área nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação!
E para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre as principais e mais modernas técnicas de Deep Learning utilizando o TensorFlow e o Python! Ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas! Para isso, o conteúdo está dividido em sete partes: introdução prática ao TensorFlow, regressão e classificação, redes neurais artificiais, redes neurais convolucionais, redes neurais recorrentes, autoencoders e redes adversariais generativas. Você aprenderá a teoria básica sobre cada um desses assuntos, bem como implementará exemplos práticos passo a passo aplicado em cenários reais. Abordaremos dois tipos de programação com o TensorFlow: utilizando a Low Level e a High Level API. Na primeira faremos a codificação manualmente e definiremos as fórmulas matemáticas, enquanto que na segunda usaremos classes prontas para a implementação!
Veja abaixo alguns dos projetos que serão desenvolvidos:
-
Previsão do preço de casas baseado nas características da casa
-
Classificação de tipos de plantas
-
Classificação da faixa salarial de pessoas
-
Classificação de dígitos escritos a mão (visão computacional)
-
Construção de série temporal para previsão de preços de ações
-
Redução de dimensionalidade em imagens
-
Criação automática de imagens
Ao final de cada seção teórica você tem questionários para revisar o conteúdo, bem como indicações de referências complementares caso você queira aprender mais sobre os assuntos.
Importante: as aulas foram gravadas utilizando o TensorFlow 1.x, porém, o código fonte está totalmente atualizado para a versão 2.x do TensorFlow!
Este curso é indicado para todos os níveis, ou seja, caso seja seu primeiro contato com Deep Learning e o TensorFlow, você conta com um apêndice que contém aulas básicas sobre aprendizagem de máquina e redes neurais! É também importante enfatizar que o único pré-requisito necessário é saber lógica de programação, pois mesmo se você não seja especialista na linguagem Python você conseguirá acompanhar o curso sem nenhum problema!
Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! 🙂
-
1Conteúdo do cursoVídeo Aula
-
2Mais sobre Inteligência ArtificialTexto
-
3Introdução a Deep LearningVídeo Aula
-
4Instalação do AnacondaVídeo Aula
-
5Problemas de instalação do AnacondaTexto
-
6SpyderVídeo Aula
-
7Jupyter NotebookVídeo Aula
-
8Introdução ao TensorFlowVídeo Aula
-
9IMPORTANTE 1: Atualizações no código fonteVídeo Aula
-
10IMPORTANTE 2: Versão do PythonTexto
-
11Código fonte completo + slides das aulasTexto
-
13Compatibilidade TensorFlow 1.x e 2.xVídeo Aula
-
14ConstantesVídeo Aula
-
15Variáveis IVídeo Aula
-
16Variáveis IIVídeo Aula
-
17Adição de vetores e matrizesVídeo Aula
-
18Multiplicação de matrizesVídeo Aula
-
19Produto escalarVídeo Aula
-
20PlaceholdersVídeo Aula
-
21Grafos e TensorBoardVídeo Aula
-
23Regressão linear - teoriaVídeo Aula
-
24Regressão linear com sklearnVídeo Aula
-
25Regressão linear com TensorFlow IVídeo Aula
-
26Regressão linear com TensorFlow IIVídeo Aula
-
27Previsão do preço de casas IVídeo Aula
-
28Previsão do preço de casas IIVídeo Aula
-
29Regressão linear simples com estimators IVídeo Aula
-
30Regressão linear simples com estimators IIVídeo Aula
-
31Regressão linear múltipla com estimators IVídeo Aula
-
32Regressão linear múltipla com estimators IIVídeo Aula
-
39Perceptron de uma camadaVídeo Aula
-
40Redes multicamada - função soma e função de ativaçãoVídeo Aula
-
41Redes multicamada - cálculo do erroVídeo Aula
-
42Descida do gradienteVídeo Aula
-
43Cálculo do parâmetro deltaVídeo Aula
-
44Ajuste dos pesos com backpropagationVídeo Aula
-
45Bias, erro, descida do gradiente estocástico e mais parâmetrosVídeo Aula
-
46Funções de ativação - implementação IVídeo Aula
-
47Funções de ativação - implementação IIVídeo Aula
-
48TensorFlow playgroundVídeo Aula
-
49Teoria sobre redes neurais artificiaisQuestionário
Neste teste você responderá algumas questões teóricas a respeito da teoria básica das redes neurais artificiais
-
50Referências complementaresTexto
-
51Perceptron de uma camada IVídeo Aula
-
52Perceptron de uma camada IIVídeo Aula
-
53Classificação binária - XOR IVídeo Aula
-
54Classificação binária - XOR IIVídeo Aula
-
55Classificação binária - XOR IIIVídeo Aula
-
56Classificação multiclasse - base iris IVídeo Aula
-
57Classificação multiclasse - base iris IIVídeo Aula
-
58Base de dados de dígitos manuscritosVídeo Aula
-
59Classificação de dígitos manuscritos IVídeo Aula
-
60Classificação de dígitos manuscritos IIVídeo Aula
-
61Classificação de dígitos manuscritos IIIVídeo Aula
-
62Classificação com estimators - base censo IVídeo Aula
-
63Classificação com estimators - base censo IIVídeo Aula
-
64Padronização com TensorFlowVídeo Aula
-
65Regressão com estimators - base casasVídeo Aula
-
67Introdução a redes neurais convolucionais IVídeo Aula
-
68Introdução a redes neurais convolucionais IIVídeo Aula
-
69Etapa 1 - operador de convolução (introdução)Vídeo Aula
-
70Etapa 1 - operador de convolução (cálculo)Vídeo Aula
-
71Etapa 2 - poolingVídeo Aula
-
72Etapa 3 - flatteningVídeo Aula
-
73Etapa 4 - rede neural densaVídeo Aula
-
74Teoria sobre redes neurais convolucionaisQuestionário
Neste questionário você responderá algumas perguntas para revisar os conceitos teóricos sobre as redes neurais convolucionais
-
75Referências complementaresTexto
-
76Redes convolucionais com estimators IVídeo Aula
-
77Redes convolucionais com estimators IIVídeo Aula
-
78Redes convolucionais com estimators IIIVídeo Aula
-
79Redes convolucionais com estimators IVVídeo Aula
-
80Redes convolucionais com estimators VVídeo Aula
-
81Redes convolucionais com estimators VIVídeo Aula